Nemotron 3.5 Super VL:s öppna datamängder för efterträning: Vad du faktiskt kan finjustera på

NVIDIA Nemotron 3.5 Super VL lade ut sina vikter på Hugging Face den 12 oktober 2026 och tillkännagavs den 15 oktober. Den hälft av lanseringen som den mesta bevakningen hoppade över är den man faktiskt kan bygga på: mellan den 12 och 15 oktober publicerade NVIDIA-organisationen elva nya efterträningsdataset – de korpusar för övervakad finjustering och förstärkningsinlärning som ligger bakom modellkortets egen beskrivning av träningen i sex steg. Alla elva anger OpenMDW-1.1 som sina styrande villkor, men det är där enhetligheten upphör. Två av dem presenteras som license: other på Hubben; två andra har en andra licens på grund av vad de innehåller; och de två korten som aldrig säger "redo för kommersiell eller icke-kommersiell användning" är inte de man skulle gissa. Nedan följer vad som finns i varje set, vad korten publicerar och inte publicerar om det, och hur hela släppet förhåller sig till ett medianvärde på 99,62 % för noggrannhetsåterhämtning som läses mycket olika beroende på vilket NVIDIA-dokument man öppnar.

Vad landade, och när?

Hugging Face registrerar tidsstämplarna för skapandet, så detta läses snarare än uppskattas. Alla elva repositorier dök upp inom ett fönster på 61 timmar:

• Nemotron-RL-litmus-bench-v0.2 — 12 oktober, 16:37 UTC. Kemiresonemang, 47 118 träningsfrågor och 2 056 testfrågor, 64 MB, byggd utifrån ChEMBL, tävlingsdata från OpenADMET ExpansionRx och en Biogen ADME-uppsättning. Dubbellicensierad under CC-BY-SA-4.0 och OpenMDW-1.1, eftersom de ChEMBL-härledda frågorna bär share-alike-villkoret.

• Nemotron-SFT-Agentic-v4 — 14 oktober, 17:54 UTC. Trajektorier för verktygsanvändning i enkel och flera omgångar, 634 664 konversationsposter fördelade på en tool_calling-delning om 549 707 och en knowledge_agent-delning om 84 957, 18,88 GB. Genererad med Qwen3.5-397B-A17B och GLM-5.2.

• Nemotron-SFT-Instruction-Following-Chat-v4 — 14 oktober, 17:55 UTC. Chatt, instruktionsföljning över flera turer och styrning av svarslängd, 3 850 582 konversationsposter, 80,74 GB. Genererad med Kimi-K2.6, Gemma4-E4B-it och Qwen3.5-397B-A17B.

• Nemotron-SFT-Agentic-Finance-v1 — 14 oktober, 18:54 UTC. 7 878 exempel på verktygsanrop över flera turer inom numeriskt resonemang, finansiell modellering, marknadsanalys, justeringar och beat-or-miss-frågor över offentliga SEC-filings, 28 MB.

• Nemotron-RL-Agentic-Finance-v1 — 14 oktober, 18:55 UTC. 10 185 RL-uppgifter, samma fem uppgiftsfamiljer, 166 MB, där filing-kontexten medvetet har undanhållits så att agenten måste hämta den med sec_filing_search, parse_html_page och retrieve_information.

• Nemotron-SFT-Long-Context-Transduction-v1 — 14 oktober, 19:47 UTC. 10 000 instruktions–svarspar, 1,22 GB, för positionsspårning och sekvenstransformering. Ingen modell genererade dessa: kortet anger uttryckligen att ingen språkmodell producerar exemplen eller svaren, och de fyra uppgiftsfamiljerna är aritmetisk utvärdering, sortering av hexadecimala tokens, variabelexpansion och CSV-transformering.

• Nemotron-SFT-Long-Context-Translation-PG19-v1 — 14 oktober, 20:14 UTC. 4 335 engelska-till-flerspråkiga översättningsexempel, 2,22 GB, källtexter hämtade från böcker i allmän egendom i PG-19-korpusen och översatta med DeepSeek V4 Flash.

• Nemotron-RL-Finance-Tool-Calling-v1 — 14 oktober, 22:46 UTC. 90 307 finansposter — 81 397 exempel på kärnresonemang plus 8 910 bredare finansagent-exempel — i 1,23 GB, körda mot miljön Finance SEC Search i NeMo Gym.

• Nemotron-SFT-Finance-Document-Grounded-Reasoning-v1 — 14 oktober, 22:46 UTC. 63 056 exempel i 1,01 GB, baserade på 10-K-, 10-Q- och 8-K-inlämningar från S&P 500-företag som täcker 2017–2024.

• Nemotron-RL-Agentic-Conversational-Tool-Use-Seed-v1 — 14 oktober, 23:45 UTC. 100 000 poster, 3,86 GB: seed-policyer, verktygsdefinitioner och scenarier för resursservern conversation_tool_use_simulation, som täcker besöksnäring, e-handel, bank och försäkring, för simulerade agentiska konversationer under RL.

• Nemotron-SFT-BBQ-v1 — 15 oktober, 05:22 UTC. Engelsk rättvisedata som täcker ålder, fysiskt utseende och funktionsnedsättning — 2 000 poster vardera, 6 000 totalt, 8,0 MB — byggd mot taxonomin Bias Benchmark for QA, med konversationer mellan fiktiva deltagare utformade för att belöna evidensbaserade svar framför antaganden.

Två saker med den listan spelar större roll än antalet rader. Det första är att licensytan inte är så enhetlig som rubriketiketten antyder, och det andra är vems utdata dessa är.

Licensetiketten är inte hela licensen.

Alla elva repositorier anger OpenMDW-1.1 som sina styrande villkor. Det som skiljer sig är hur det når dig, och skillnaderna är värda att läsa innan du bygger något kommersiellt ovanpå.

• Tagg kontra namngiven licens — nio av de elva har license: openmdw-1.1 som en vanlig tagg som du kan läsa direkt från API:et. Nemotron-SFT-Agentic-Finance-v1 och Nemotron-RL-Agentic-Finance-v1 visas som license: other med license_name: openmdw-1.1 och en länk till avtalet. Villkoren är desamma; ett verktyg som filtrerar repon på en licenstagga kommer att se två olika värden.

• Andra licensen på grund av uppströmsdata — Nemotron-SFT-Long-Context-Translation-PG19-v1 har Apache-2.0 vid sidan av OpenMDW-1.1 eftersom källkorpusen är PG-19, och dess kort tillägger att de underliggande engelska verken är allmän egendom i USA men att upphovsrättslig status kan variera i andra jurisdiktioner, så användare bör kontrollera lokal lagstiftning innan vidaredistribution. Nemotron-RL-litmus-bench-v0.2 har CC-BY-SA-4.0 vid sidan av OpenMDW-1.1, med share-alike-villkoret tillämpat specifikt på de ChEMBL-härledda frågorna.

• Den kommersiella meningen — nio kort anger "Denna datauppsättning är redo för kommersiell eller icke-kommersiell användning." De två som inte gör det är Nemotron-SFT-Long-Context-Transduction-v1 och Nemotron-SFT-Long-Context-Translation-PG19-v1 — paret med lång kontext, inte finansuppsättningarna.

• Var innehållsundantaget dokumenteras — finans. Det dokumentgrundade kortet anger att utgåvan endast behåller tillåtna utdrag med begränsat sammanhang från brödtexten i formulären 10-K, 10-Q och 8-K, och att hela SEC-korpusen, alla bilagor och allt innehåll som bär ett upphovsrättsligt meddelande från tredje part utesluts, med konsultrapporter, presentationer, fairness-utlåtanden och analytikerrapporter som exempel. Det noterar också att utdragen förblir respektive emittents ansvar.

Så den praktiska tolkningen är motsatsen till den intuitiva. Finansseten är de med det mest högljudda licensmärket – ett rent openmdw-1.1 på de dokumentförankrade och verktygsanropande seten – och de med de mest dokumenterade begränsningarna för vad som finns i dem. Långkontextseten är de vars Hub-metadata och prosa stämmer sämst överens med varandra. Ingetdera är ett skäl att gå därifrån; båda är skäl att läsa fyra kort i stället för ett licensfält.

Vems utdata tränade NVIDIAs flaggskepp

Det andra som löper genom släppet är genereringsmodellerna, och korten namnger dem utan förbehåll. Det främsta agentiska SFT-setet togs fram med Qwen3.5-397B-A17B och GLM-5.2. Instruktionsföljningssetet lägger till Kimi-K2.6 och Gemma4-E4B-it. Det dokumentgrundade finanssetet namnger Qwen3.5-397B-A17B för frågegenerering, DeepSeek-V4-Pro för svar och gpt-oss-120b för filtrering och urval. RL-setet för finansverktygsanrop listar Qwen3.5-397B-A17B och Qwen3-235B-A22B-Instruct-2507 uppströms, DeepSeek-V4-Pro för svar, gpt-oss-120b för filtrering och NVIDIA Nemotron självt för RL-svårighetsprofilering över åtta rollouts. PG-19-översättningarna togs fram med DeepSeek V4 Flash.

Det är ett publiceringsbeslut, inte en slump, och det är det mest användbara i släppet för alla som försöker resonera om kvalitet. Det säger dig att den beteendeprior du finjusterar in i till stor del inte är NVIDIAs — den är en blandning av två kinesiska modellfamiljer i frontlinjen med öppna vikter, en OpenAI-modell med öppna vikter och en liten modell från Google. Om du har en uppfattning om hur någon av dessa beter sig på finansiell text eller vid verktygsval, gäller den uppfattningen din utgångspunkt här, och du har nu härkomsten för att kontrollera den i stället för att gissa.

Varför data är den del du kan agera på

Anledningen till att ett dataset-släpp är den intressanta halvan av den här lanseringen syns i leverantörens egna siffror. NVIDIA:s inlägg i nyhetsrummet namnger organisationer som har eftertränat modellen och citerar deras resultat: Scale AI för Skydances arbete med leverantörskrediter, med "40x lägre inferenskostnad" och "5x lägre latens"; Ramp för konvertering av kvittobilder till strukturerad JSON, med förväntan om "upp till 50 % högre genomströmning och 10x lägre latens"; AI21 och Alice inom hotintelligens, med "41 % högre noggrannhet". Läser man utvecklarbloggen tillsammans med nyhetsrummet reduceras samma kundresultat till "40x lägre inferenskostnad, 10x lägre latens och 40 % högre noggrannhet" – en 40 där nyhetsrummet säger 41, och en 10x där det står 5x, för vad som ser ut att vara samma två driftsättningar. Detta är kundförväntningar för deras egna arbetsbelastningar, inte benchmarks, och ingen av versionerna kan reproduceras av dig.

Det som är reproducerbart är kvittot. Nyhetsredaktionen säger att modellen eftertränades med ungefär 3,8 miljoner exempel och förstärkningsinlärning över dussintals miljöer, och att de öppna datamängderna omfattar agentisk verktygsanvändning, finans, instruktionsföljning, lång kontext, rättvisa och visuell-språklig förståelse. De elva repon ovan är den korpusen, och de NeMo Gym-miljöer som korten pekar på är ramverket. Ett team som vill ha en agent för dokumentintelligens har nu modellen, serveringsrecepten, finjusteringsbiblioteken och träningsdatan på ett och samma ställe. Klyftan mellan "den här modellen kan specialiseras" och "här är en specialisering du kan ladda ner i dag" är vad dessa repon överbryggar.

Ett förbehåll när det gäller den listan över kategorier: NVIDIA:s nyhetsrum inkluderar visuell-språklig förståelse bland de datamängder som släppts, och de elva nya NVIDIA-repositorierna för datamängder som skapats under detta tidsfönster är text- och verktygsanvändningskorpusar. Den dokumentförankrade finansdatauppsättningen är det närmaste man kommer en visionsdatauppsättning i släppet, och den är endast i textformat. Om du kom för bild- och videosidan finns inte data här – den senaste NVIDIA-datamängden för vision på Hub är fem dagar äldre än detta tidsfönster.

Vad korten inte publicerar, och vad det kostar dig

Här är siffran som ingen tar med i ett lanseringsinlägg, och i det här släppet är den en siffra som saknas. Inget av de elva datamängdskorten publicerar ett tokenantal. De publicerar postantal och lagringsstorlekar, och det är allt. Så dimensioneringsfrågan – hur många GPU-timmar är en epok över instruktionsföljningsuppsättningen – kan inte besvaras utifrån släppet, utan bara uppskattas genom att dividera byte med ett antaget byte-per-token-förhållande, vilket är precis den typ av siffra som hamnar i bevakningen som om den vore uppmätt.

Det du kan utgå från är den publicerade lagringen: 80,74 GB för Nemotron-SFT-Instruction-Following-Chat-v4, 18,88 GB för Nemotron-SFT-Agentic-v4, 3,86 GB för den konversationella seed-uppsättningen för verktygsanvändning, och sedan en lång svans – 2,22 GB, 1,23 GB, 1,22 GB, 1,01 GB, 166 MB, 28 MB, 8,0 MB, 64 MB. De två största uppsättningarna är en till två storleksordningar större än allt annat i släppet, vilket visar var efterträningsvikten faktiskt ligger utan att du ens behöver någon tokenräkning.

• Nemotron-SFT-Instruction-Following-Chat-v4 — 80,74 GB och 3 850 582 poster. Det här är uppsättningen som gör en fullparameterskörning till ett projekt snarare än en eftermiddag.

• Nemotron-SFT-Agentic-v4 — 18,88 GB och 634 664 poster. Ungefär en fjärdedel av storleken, vilket gör att den kan köras på en enskild nod.

• Nemotron-SFT-BBQ-v1 — 8,0 MB och 6 000 poster. Tillräckligt litet för att kunna iterera på i minuter, vilket gör det till det billigaste sättet att bevisa att din finjusteringsloop är rätt uppkopplad innan du satsar en GPU-vecka på jobbet du faktiskt bryr dig om.

• Nemotron-SFT-Long-Context-Transduction-v1 — 1,22 GB, men bara 10 000 exempel, med ett publicerat intervall per exempel på 2 048 till 131 072 måltoken. Här drivs kostnaden av sekvenslängd snarare än volym, och kortet säger att budgetarna är genereringsmål uppskattade med cl100k_base, inte uppmätta antal efter träning.

Vad gäller skalan på modellsidan publicerar modellkortet etappbudgetarna: en MTP-uppvärmning på 100 miljarder token mot en fryst backbone, en biljon token destillation från den närmast större Nemotron-modellen, 100 miljarder token fortsatt förträning på indic-språk, en förlängning på 35 miljarder token till en kontext på 1M, 67 miljarder token mellanträning inom mjukvaruteknik vid 256K, och en återhämtningsfas för lång kontext på 9 miljarder token. Det är de enda tokenbudgetar som NVIDIA anger någonstans i släppet, och de gäller träning av basmodellen, inte finjustering på dessa datauppsättningar.

Det är också därför LoRA-vägen är viktig här i stället för att bara vara en fotnot. NVIDIA hänvisar utvecklare till NVIDIA NeMo AutoModel för övervakad finjustering och lågrankad anpassning, och adaptrar är skillnaden mellan att ändra några av modellens beteenden och att åter härleda 249 GB vikter. Båda vägarna är verkliga, och valet mellan dem är ett beslut om hur mycket av basmodellens beteende du avser att ändra. Ett finansteam som jagar ett snävt schema eller ett policyföljande beteende är i LoRA-territoriet. Ett team som vill att modellen ska upprätthålla en ny arbetsprocedur i varenda en av sina interaktioner är det inte.

Två dokument, ett riktmärke, motsatta svar

Den tekniska rapport som åtföljer denna release är daterad den 14 oktober och bär det nummer som har färdats längst utan sitt sammanhang. NVIDIA rapporterar att den släppta NVFP4-checkpointen uppnår 99,62 % median återställning av noggrannhet relativt BF16 över 36 benchmarks, efter det aggressiva receptet för post-training-kvantisering följt av 200 iterationer av SFT-baserad kvantiseringsmedveten destillation – med C-RADIO-visionencodern, VL-konnektorn, Mamba-konvolutionerna och inbäddningarna kvar i BF16 och routerns beräkning kvar i FP32, enligt rapportens tabell per modul.

"Median accuracy recovery" är ett medianvärde av kvoter, inte ett minimum. För att få 99,62 % beräknar rapporten en poängkvot per benchmark och tar den mellersta av 36, så rubriken säger att den typiska benchmarken hamnar ungefär fyra tiondels procent under full precision, och ingenting alls om svansen. Rapportens egen tabell visar svansen: Tau3 Banking på 94,20 %, SciCodes problemlösningsdel på 93,63 %, MMLU-ProX på 95,90 % — och i andra riktningen GDPVal på 111,53 % och Terminal-Bench v2.1 på 103,47 %, eftersom kvantisering kan hamna över BF16-referensen vid en enskild körning.

Jämför man sedan modellkortet blir historien mer intressant än en svans. NVIDIAs eget NVFP4-modellkort publicerar en tabell över BF16 mot NVFP4 för samma checkpoint, och i den läser Terminal-Bench 2.1 66,70 mot 60,80 — det kvantiserade bygget ligger nio procent lägre. I den tekniska rapportens tabell över den fullständiga sviten läser samma benchmark 60,67 mot 62,78, med det kvantiserade bygget före. Samma modell, samma benchmark, samma familj av utvärderingsramverk, två NVIDIA-dokument, motsatta riktningar. Kortet visar också WebVoyager vid 77,72 som faller till 66,31 och DeepSWE vid 24,65 som faller till 18,2, varav ingendera är den version av historien du får från en rubrik på 99,62 %.

Det är inte en skandal – olika tabeller kan ha olika harness-konfigurationer och rapportens tabell anger en återhämtningsprocent vid varje rad – men det betyder att det ärliga svaret på ”kostar NVFP4 mig noggrannhet” är: på de flesta publicerade rader knappt; på de rader där det gör det, med mer än vad medianen antyder; och leverantörens två dokument är oense om vilka rader det är. Om din arbetsbelastning är agentiskt terminalarbete bör du mäta om den själv i stället för att välja en tabell.

Driftsättningskalkylen är däremot entydig och är det starkaste argumentet för den kvantiserade byggversionen. BF16-repositoriet omfattar totalt 248,9 GB checkpointfiler och dess egen snabbstart serverar den på 4× H100. NVFP4-repositoriet omfattar totalt 75,06 GB, vilket rapporten anger till 4,82 bitar per parameter inklusive skalor, och det får plats på en H200, en GB200 eller en enda DGX Spark. På en GB200 anger rapporten upp till 4 856 utdatatokens/s/GPU i en agentisk proxy-arbetsbelastning med 20 turer, samtidigt som minst 50 tokens/s/användare upprätthålls, med NVFP4 på 2,43× BF16:s genomströmning i samma arbetsbelastning, och modellen på 2,34× och 1,90× genomströmningen hos Qwen3.5-122B-A10B och Qwen3.8 Flash-Next. Alla dessa är uppmätta av NVIDIA, i NVIDIAs egen serveringsstack, vid vilken samtidighetsnivå receptet än valde.

Ännu en fjärdedel av släppet är lätt att missa och spelar roll om din finjustering kommer att bli omdiskuterad senare. Rapporten beskriver en kontamineringsgenomgång av efterträningsdatan som tog bort 20 671 prover – omkring 0,09 %, uppdelade i 14 793 SFT- och 5 878 RL-prover – som matchade 1 808 benchmarkfrågor, eller 6,0 %, i 22 av de 30 kontrollerade benchmarkarna, där ungefär 3 % av de bedömda kandidatparen flaggades som allvarlig kontaminering. De flesta släpp med öppna vikter publicerar ingen rengöringsmetodik alls. Att ha en som du kan hänvisa till är värt mer än det låter när en kund frågar varför utvärderingssiffrorna för din finjustering ser ut som de gör.

Hur detta förändrar vad du kan göra den här veckan

Tre konkreta saker är nu möjliga som inte var det före den 12 oktober.

Den första är en agent för finansiella inlämningar som du kan bygga utan en diskussion om datalicensiering – med ett förbehåll. Finansförråden täcker hela loopen: 63 056 dokumentgrundade SFT-exempel över sju års S&P 500-inlämningar, 90 307 RL-poster för verktygsanrop mot en aktiv SEC-sökmiljö, 7 878 exempel på verktygsanrop i flera turer för beteendelagret, och 10 185 RL-uppgifter där inlämningskontexten undanhålls så att hämtning ingår i uppgiften. Förbehållet är det undantag som dokumenterats ovan: endast utdrag, bilagor undantagna, material med tredjepartsupphovsrätt borttaget, och frågor som kvarstår är emittenternas ansvar. Det är en väldokumenterad ståndpunkt snarare än en okomplicerad sådan, och det är den uppsättning där du bör läsa kortet före koden.

Den andra är agentisk verktygsanvändning, och detta är den bäst understödda vertikalen i släppet. Mellan Nemotron-SFT-Agentic-v4:s 634 664 poster, det 100 000 poster stora startsetet för konversationsbaserad verktygsanvändning med sina scenarier inom besöksnäring, e-handel, bank och försäkring, och de NeMo Gym-miljöer som korten pekar på, beskrivs hela pipelinen från början till slut: generera trajektorier, köra simulerade konversationer, träna med verifierbara belöningar, utvärdera i det ramverk som leverantören själv använde. Vad du än tycker om modellen är detta ett komplett offentligt recept för att förvandla en allmän vision-språkmodell till en agent som anropar verktyg, och det är den del som tidigare var tyst kunskap.

Den tredje är en baslinje för rättvisa som du faktiskt kan iterera på. Nemotron-SFT-BBQ-v1 innehåller 6 000 poster och 8,0 MB, den är balanserad 2 000/2 000/2 000 över ålder, fysiskt utseende och funktionsnedsättning, och dess konversationer är skrivna så att både det evidensbaserade svaret och det antagandebaserade svaret är rimliga. I den storleken kan du köra den, poängsätta den och köra om den på en eftermiddag, vilket förvandlar "hur testade du det här" från ett upphandlingsproblem till ett experiment.

Att prova det utan att satsa en produktionsväg på det

Det besvärliga med den här lanseringen är driftsättningen, inte datan. BF16-checkpointen kräver fyra H100 och den kvantiserade kräver en enda H200 eller GB200, de öppna vikterna finns på Hugging Face, och leverantörens egen väg till en hostad endpoint är NVIDIA NIM, samtidigt som nyhetsredaktionen också nämner tredjepartsplattformar. Vi serverar inte den här modellen, så om du vill ha en hanterad endpoint är det leverantörens eget API och flera tredjepartsplattformar du ska titta på; vad en router är bra för här är resten av beslutet.

En enda nyckel för över 200 modeller till leverantörens listpris med 0 % påslag innebär att en jämförelse mellan NVFP4-bygget och vilken textmodell du än kör idag kostar en enda radändring i stället för ett andra leverantörsavtal, och automatisk redundansväxling mellan leverantörer innebär att en arbetsbelastning som du bara testar kan ligga bredvid produktionstrafik utan att någon av dem är beroende av den andra. Det är formen på ett beslut som går att backa — vilket är vad du vill ha från en modell vars dokumentation är två dagar gammal och vars egna benchmarktabeller inte stämmer överens med varandra.

Den praktiska ordningen är: ta Nemotron-SFT-BBQ-v1 eller en delmängd av den agentiska datamängden, kör en LoRA på en hyrd H200 för att bevisa din loop, poängsätt den mot din egen utvärdering och bestäm först därefter om 249 GB full-precision-bygget och fyra GPU:er är värda det. Datamängderna är gratis att ladda ner, och de små är gratis att köra. Inget i den planen kräver att du tror på en median på 99,62 %.

Vad saknas fortfarande

Tre gap är värda att bevaka eftersom de förändrar kalkylen snarare än marknadsföringen.

Det första är oberoende utvärdering av de finjusterade resultaten. Varje mätvärde efter träning i den här utgåvan – förflyttningen från 62,7 till 71,9 på Terminal-Bench genom parallell agentkörning och självverifiering, förflyttningen från 24,6 till 34,5 på DeepSWE i samma experiment, förbättringen av träffsäkerheten med 41 % hos AI21, kostnadsminskningen med 40× hos Scale AI – kommer från NVIDIAs utvärderingsramverk eller från en kunds egen mätning. Det finns ingen tredje part som har reproducerat en finjustering av Nemotron 3.5 Super VL på dessa datamängder och publicerat resultatet. Till dess, behandla effektstorlekarna som en övre gräns.

Den andra är videovägen. Modellen accepterar MP4 på upp till två minuter vid 2 FPS och 256 bildrutor, eller 1 FPS och 128 bildrutor för 1080p, med en beskärningsgrad på 0,5 – och det finns ingen offentlig datauppsättning för videoefterträning i det här släppet. Alla repon ovan är text, och översättnings- och transduktionsuppsättningarna är text med lång kontext snarare än något visuellt. Om ditt användningsfall är den videoförståelse som modellkortet gör reklam för, har NVIDIA levererat kapaciteten utan data att specialisera den.

Det tredje är att ingen har publicerat vad dessa datamängder gör med en modell som inte är Nemotron. Alla elva byggdes för att producera en enda modells efterträningsblandning — korten är tydliga med att vissa uppsättningar konsoliderar tidigare Nemotronspecifika versioner, och det konversationella seed-setet beskrivs som seed-data för ett pivot-set snarare än färsk generering. Huruvida den agentiska korpusen överförs till en annan 120B-backbone är en öppen fråga, och det är den första som ett team med en befintlig finjusteringsstack vill få besvarad.

Alla tre luckorna är av den sorten som sluts med någon annans arbete snarare än NVIDIAs, vilket är det vanliga förloppet för en öppen release. Vikterna går att ladda ner idag, datan går att ladda ner idag, och den första trovärdiga oberoende finjusteringen är det som kommer att avgöra om något av det är värt GPU-tiden.